Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perkembangan teknologi yang dapat membantu pengukuran luas dan volume suatu objek semakin umum. Salah satu teknologi yang dapat membantu pengukuran luas dan volume suatu objek adalah sensor Light and Detection Ranging (LiDAR). Dalam konteks pengukuran luas dan volume suatu objek dimana objek tersebut adalah bangunan, sensor LiDAR dapat dibantu oleh deep learning dan clustering agar dapat mengidentifikasi bangunan yang nantinya dapat dihitung luas dan volume bangunan tersebut. Dataset yang digunakan pada penelitian ini adalah LiDAR Margonda, Depok dan LiDAR Dublin, Irlandia. Metode deep learning yang digunakan untuk melakukan segmentasi semantik adalah Dynamic Graph Convolutional Neural Network (DGCNN) dan algoritma yang digunakan untuk melakukan pelabelan bangunan adalah Pairwise Linkage Clustering. Penelitian ini juga bermaksud untuk memberikan perbandingan dengan Euclidean Clustering sebagai algoritma pelabelan bangunan. Segmentasi semantik dilakukan agar dapat membedakan objek bangunan dengan objek bukan bangunan sedangkan pelabelan bangunan dilakukan agar dapat memisahkan setiap objek bangunan. Secara hasil, penelitian ini berhasil menggunakan DGCNN sebagai metode segmentasi semantik dan Pairwise Linkage Clustering sebagai metode pelabelan bangunan. Evaluasi dilakukan menggunakan metrik Accuracy, Recall, Precision, F-score dan Intersection over Union untuk metode segmentasi semantik sedangkan metrik yang digunakan untuk pelabelan bangunan adalah Accuracy, Recall, Precision, dan F-Score. Pada dataset Margonda, Depok nilai akurasi yang didapatkan oleh DGCNN adalah 82% dan nilai akurasi yang didapatkan oleh Pairwise Linkage Clustering adalah 4.7% untuk Scale Cut-Off Distance 100, 28% untuk Scale Cut-Off Distance 200, 38% untuk Scale Cut-Off Distance 400, dan 28% untuk Scale Cut-Off Distance 800. Pada dataset Dublin, Irlandia nilai akurasi yang didapatkan oleh DGCNN adalah 86% dan nilai akurasi yang didapatkan oleh Pairwise Linkage Clustering adalah 10% untuk Scale Cut-Off Distance 100, 30% untuk Scale Cut-Off Distance 200, 40% untuk Scale Cut-Off Distance 400, dan 35% untuk Scale Cut-Off Distance 800. Dalam pelabelan bangunan, Pairwise Linkage Clustering berhasil memberikan hasil yang lebih baik daripada Euclidean Clustering pada dataset Margonda, Depok sedangkan Euclidean Clustering berhasil memberikan hasil yang lebih baik daripada Pairwise Linkage Clustering di dataset Dublin, Irlandia.

---

With development of technology becoming more advanced, technology that can help to measure area and volume of an object becomes more common. One of the technology that can help measure area and volume of an object is a sensor called Light and Detection Ranging (LiDAR). In the context of measuring area and volume of an object where the object is a building, LiDAR sensor can be helped by deep learning and clustering to identify building and then the building’s area and volume can be measured. In this research the dataset used are Margonda, Depok and Dublin, Irlandia. Deep learning method used to do semantic segmentation is Dynamic Graph Convolutional Neural Network (DGCNN) and the algorithm to do the clustering is Pairwise Linkage Clustering. This research is also intended to give comparison with Euclidean Clustering as an algorithm to do clustering. Semantic segmentation is done so the map can be separated as building object and non building object. Result wise, this research has succeeded to use DGCNN as a method to do semantic segmentation and Pairwise Linkage Clustering as a method to do clustering. Evaluation is done by using matrix such as Accuracy, Recall, Precision, F-Score and Intersection over Union for semantic segmentation while matrix used to evaluate the clustering algorithm is Accuracy, Recall, Precision, and F-Score. In Margonda, Depok dataset DGCNN has the accuracy score of 82% and the accuracy for Pairwise Linkage Clustering with cut off distance 100 is 4.7%, with cut off distance 200 is 28%, with cut off distance 400 is 38%, with cut off distance 800 is 28%. In Dublin, Irlandia dataset DGCNN has the accuracy score of 86% and the accuracy for Pairwise Linkage Clustering with cut off distance 100 is 10%, with cut off distance 200 is 30%, with cut off distance 400 is 40% and with cut off distance 800 is 35%. In the clustering part, Pairwise Linkage Clustering gives better result in Margonda, Depok dataset while Euclidean Clustering gives better result in Dublin, Irlandia dataset.

"

"Produksi kendaraan pada industri otomotif Indonesia dalam delapan tahun terakhir cenderung mengalami peningkatan. Hal ini mendorong seluruh industri otomotif untuk meningkatkan performa sistem manufakturnya agar dapat bersaing dengan kompetitor lain. PT Ganding Toolsindo merupakan perusahaan otomotif yang berperan sebagai pemasok sub assembly part pada tingkat tier 2. Sebagai perusahaan dengan tipe tata letak mesin process layout, penyesuaian tata letak mesin dengan keluarga produk yang ada menjadi penting. Tata letak mesin pada kondisi saat ini yang belum disesuaikan dengan keluarga produk menimbulkan pemborosan transportasi material handling dan aliran material yang tidak efisien sehingga berefek pada meningkatnya lead time mayoritas produk dan mengakibatkan keterlambatan pengiriman atau tidak terpenuhinya target produksi. Penelitian ini dirancang untuk melakukan perancangan lean production system berbasis konsep cell manufacturing menggunakan Modified Single Linkage Clustering dengan parameter performa yang terdiri atas jarak dan durasi material handling, lead time, serta total waktu produksi. Hasil penelitian menunjukkan bahwa total jarak dan durasi materal handling berkurang sebanyak 60 , rata-rata lead time seluruh jenis produk berkurang sebesar 55 , dan total waktu produksi berkurang sebanyak 4.

---

Vehicle production in Indonesian automotive industry tend to increase in the last 8 years. This encourages the entire automotive industry to improve the performance of its manufacturing systems in order to compete with existing competitors. PT Ganding Toolsindo is an automotive company at second tier level that supply sub assembly part.

As a company that using process layout type, adjustment of machine layout with the existing product family becomes important. Existing machine layout in this company that has not been adjusted with the product family cause waste of material handling transportation and inefficient material flow resulting in increased lead time in the majority of products and resulting in delays in delivery or unfulfilled production targets.

This research is designed to do the design of lean production system based on cell manufacturing concept using Modified Single Linkage Clustering by using performance parameter consisting of distance and duration of material handling, lead time, and total time of production. Result of the research showed that total distance and duration of material handling decrease in the amount of 60 , lead time average of all product decrease in amount of 55 , and total time of production decrease in amount of 4 compared to the initial machine layout."

"Penyakit Alzheimer merupakan bentuk umum dari gangguan neurodegeneratif yang ditandai dengan rusaknya sel-sel otak, seperti kusutnya neurofibrillary dan adanya plak amiloid yang bersifat progresif. Salah satu ciri fisik seseorang menderita penyakit Alzheimer adalah adanya penyusutan luas daerah hippocampus pada otak. Hippocampus merupakan bagian terkecil dari otak yang berfungsi menyimpan memori. Deteksi penyakit Alzheimer dapat dilakukan dengan menggunakan Magnetic Resonance Image MRI yang merupakan satu teknik non inovasif untuk analisis struktur otak pada penderita Alzheimer. Pada penelitian ini, digunakan metode K-Means Clustering dan Watershed untuk mensegmentasi daerah hippocampus yang merupakan salah satu bagian otak yang diserang ketika terkena penyakit Alzheimer. Analisis yang dilakukan untuk mendeteksi Alzheimer, yaitu membandingkan nilai threshold dengan jumlah piksel putih pada citra. Data yang digunakan pada penelitian ini yaitu Open Acess Series of Image Studies OASIS database dengan menggunakan citra potongan koronal. Berdasarkan hasil percobaan, antara metode K-Means Clustering dan Watershed keduanya dapat mensegmentasi daerah hippocampus untuk mendeteksi penyakit Alzheimer.

---

Alzheimer 39s disease is a common form of neurodegenerative disorders characterized by defective brain cells, such as neurofibrillary tangles and amyloid plaque that is progressive. One of the physical characteristics of someone suffering from Alzheimer 39s disease is shrinking of the hippocampus area of the brain. The hippocampus is the smallest part of the brain that serves to save memory. The detection of Alzheimer 39s disease can be done using a Magnetic Resonance Image MRI which is a technique of non inovasif for an analysis of the structure of the brain in the Alzheimer 39s patient.

In this research, K Means Clustering and Watershed method are used to segment the hippocampus area which is one part of the brain that was attacked by Alzheimer 39s disease. The analysis used to detect Alzheimer 39 s is comparing the value of the threshold with the number of white pixels in the images. The data used in this research are Open Access Series of Image Studies OASIS database by using the image of coronal slice. Based on the our experiment result, both K Means Clustering and Watershed method can segment the samehippocampus area to detect Alzheimers disease."

"Pelaku industri farmasi yang terus meningkat disertai pasar farmasi yang kian berkembang membuat industri farmasi harus mempertimbangkan pendekatan alternatif dari rancangan sistem manufakturnya agar dapat bersaing dengan kompetitor pada masa yang akan datang. Tata letak merupakan salah satu hal penting dalam manufaktur karena kaitannya dengan material handling serta kelancaran aliran produksi sebagai pendukung kegiatan manufaktur. PT. XYZ merupakan sebuah manufaktur farmasi yang menggunakan tipe tata letak fasilitas job-shop. Tata letak area produksi perusahaan tersebut membutuhkan pembenahan dikarenakan terjadinya aliran yang tidak efisien dan set-up yang dilakukan secara kontinyu sehingga menyebabkan pemborosan transportasi dan pemborosan waktu tunggu tidak dapat dihindarkan. Penelitian ini membahas rancangan tata letak fasilitas area produksi dengan konsep Lean Manufacturing menggunakan metode Modified Single Linkage Clustering untuk membuat kluster mesin dan produk. Tolok ukur yang digunakan dalam penelitian ini ialah ouput produksi, lead time produksi, dan biaya material handling untuk mengukur kinerja tata letak awal dan tata letak usulan. Hasil penelitian menunjukkan bahwa output produksi dengan menggunakan tata letak usulan meningkat sebesar 0.43%, lead time produksi berkurang sebesar 54.32%, dan biaya material handling berkurang sebesar 26.59% dari tata letak awal

---

The amount of pharmaceutical industry and the pharmaceutical market that continuous to grow makes pharmateucial industry must consider alternative approach in its manufacturing system design to be able to compete with the other competitors in the future. Facility layout is one of the important things in manufacturing because it related to material handling and continuity of the flow production to support the manufacturing activity. PT. XYZ is one of pharmaceutical manufacturing in Indonesia that used job-shop type layout. Production facility layout in this company needs revamping because of the inefficient of the flow production and also set-up that conducted continuously makes transportation waste and waiting waste can not be avoided. This research discussed the design of facility layout in pharmaceutical production area with Lean Manufacturing concept using Modified Single Linkage Clustering to create cluster for machines and products. The indicators that used in this research are production output, production lead time, and material handling cost to compare currently facility layout and proposed facility layout. The results showed that ouput production with proposed layout increase in the amount of 0.43%, lead time production decrease in the amount of 54.32%, and material handling cost decrease in the amount of 26.59% compared to the initial layout."

"Kuantifikasi standar lemak jantung menggunakan citra nonkontras dapat menjadi suatu nilai prognostik tambahan dalam mengevaluasi penyakit jantung koroner. Metode otomatis berbasis deep learning memiliki kelebihan dari metode manual yaitu mengurangi waktu kuantifikasi, beban kerja dan user dependence. Pada penelitian ini, lemak jantung epikardial dan mediastinal dari dataset open source dan dari Rumah Sakit Mayapada Tangerang disegmentasi menggunakan segmentasi semantik berbasis CNN DeepV3+ Resnet18 dan dievaluasi. Volume dari lemak jantung diestimasikan menggunakan fitur regionprops Matlab 2021a. Sistem dapat segmentasi lemak jantung pada keakurasian tertinggi sebesar 98,8 % dan dice score sebesar 0,76 untuk lemak epikardial dan keakurasian 96,8% dan dice score sebesar 0,69 untuk lemak mediastinal dataset open source. Namun, pada data uji yaitu data CT jantung yang diambil dari rumah sakit menghasilan keakurasian tertinggi pada 28% untuk lemak epikardial. Secara kualitatif, struktur seperti lemak abdomen, otot jantung dan tulang belakang masih ikut tersegmen. Setelah melakukan penyesuaian citra antara data uji dengan data pelatihan, akurasi tertinggi pada lemak epikardial sebesar 97%. Namun, lemak epikardial dan mediastinal belum berhasil untuk dipisahkan. Volume lemak jantung untuk kedua dataset berhasil diestimasikan. Metode volume manual dengan metode otomatis menunjukkan korelasi yang kuat (R2= 0,9843) dengan standard error sebesar 3,86 namun terlihat bahwa terjadi eror sistematik.

---

Standard quantification of cardiac fat using non-contrast images can be additional prognostic value in evaluating coronary heart disease. Automatic methods based on deep learning have advantages over manual methods, namely reducing quantification time, workload and user dependence. In this study, epicardial and mediastinal cardiac fat from open source dataset and Mayapada Hospital Tangerang were segmented using CNN DeepV3+ Resnet18-based semantic segmentation and evaluated. The volume of cardiac fat was estimated using the regionprops feature of Matlab 2021a. The system can segment cardiac fat at the highest accuracy of 98.8% and a dice score of 0.76 for epicardial fat and 96.8% accuracy and a dice score of 0.69 for mediastinal fat of the open source dataset. However, the test dataset, namely cardiac CT data taken from the hospital, yielded the highest accuracy at 28% for epicardial fat. Qualitatively, structures such as abdominal fat, cardiac muscle and spine are still segmented. After adjusting the image between the test data and the training data, the highest accuracy in epicardial fat was 97%. However, epicardial and mediastinal fat have not been successfully separated. Heart fat volumes for both datasets were successfully estimated. The manual volume method in respect to the automatic method showed a strong correlation (R2= 0.9843) with a standard error of 3.86, but it was seen that there was a systematic error."

"Perdagangan sembako merupakan salah satu sektor industri dan bisnis yang sangat besar, terutama di Indonesia, di mana negara ini banyak bergerak di bidang agrikultur. Salah satu dari komponen sembako yang sangat besar adalah telur, dan perdagangan telur adalah suatu industri yang mempunyai banyak persaingan dari hulu ke hilir. Dikarenakan telur merupai produk yang menjadi konsumsi sehari-hari masyarakat, maka hampir semua bisnis kuliner dan tata boga membutuhkan telur. Dari kebutuhan itu, maka ada agen atau toko yang penjadi penyalur telur di suatu daerah. Penelitian ini bertujuan untuk memberikan segmentasi pelanggan dan parameter yang dapat membantu pedagang tersebut mengidentifikasi segmen pelanggan mereka dengan menggunakan model RFM. Hal ini akan sangat membantu usaha tersebut mengembangkan strategi pemasaran dan bisnis mereka, ini sangat penting dikarenakan perdagangan telur ini adalah bisnis red ocean yang sangat banyak pesaingnya, jadi harus mempunyai strategi yang tepat untuk berkembang. Hasil dari penelitian ini diharapkan akan membantu membuat kategori segmen yang tepat untuk pedagang telur di Indonesia.

---

Grocery trading is one of the biggest industrial and business sectors, especially in Indonesia, where the country is heavily engaged in agriculture. One of the major components of basic food is eggs, and the egg trade is an industry that has a lot of competition from upstream to downstream. Because eggs are a product that is consumed daily by the public, almost all culinary and catering businesses need eggs. From that need, there are agents or shops that distribute eggs in an area. This research aims to provide customer segmentation and parameters that can help these merchants identify their customer segments using the RFM model combined with teh statistical approach of clustering and data distribution. This will greatly help the business develop their marketing and business strategies, by using costumer data as a source for statistical analysis, combined with RFM for costumer segmentation method, it is hoped that the results of this research will hopefully help categorize the right segments for egg traders in Indonesia."

"Penyakit kardiovaskular merupakan penyebab utama kematian global, termasuk di Indonesia. Evaluasi kesehatan dini, menggunakan heart rate variability (HRV) melalui pengukuran root mean square of successive RR interval differences (RMSSD) dan percentage of successive RR intervals that differ by more than 50 𝑚𝑠 (pNN50), menjadi penting untuk merefleksikan respons relaksasi, stres, kualitas tidur, dan aktivitas fisik. Evaluasi ini sebaiknya dilakukan saat seseorang masih dalam kondisi sehat. Sejalan dengan itu, penelitian ini bertujuan mengevaluasi kesehatan pasien dengan irama jantung normal melalui metode clustering pada variabel RMSSD, pNN50, dan usia, yang diambil dari rekaman elektrokardiogram milik online database Physionet. Setiap cluster yang terbentuk dapat memberikan informasi unik, memungkinkan penentuan risiko penyakit kardiovaskular serta penanganan yang tepat. Namun, karena pola data yang digunakan tidak jelas, mengandung outlier, dan berdimensi rendah, maka dilakukan perbandingan antara metode Hierarchical clustering dan Gaussian Mixture Models (GMM) clustering yang mampu mengatasi hal tersebut. Mengingat GMM clustering yang sangat sensitif terhadap inisialisasi awal, penelitian ini menggunakan dua pendekatan inisialisasi, yaitu acak dan K-Means. Penentuan metode terbaik dilakukan dengan mempertimbangkan metrik evaluasi (efektivitas) dan waktu komputasi metode (efisiensi). Hasil penelitian menunjukkan bahwa GMM clustering dengan inisialisasi K-Means adalah metode terbaik dengan membentuk tiga cluster. Meskipun alat EKG menilai pasien dalam kondisi sehat, namun analisis clustering dapat mengungkapkan informasi penting, terutama bagi pasien yang teridentifikasi memiliki tingkat HRV yang relatif rendah.

---

Cardiovascular diseases are a leading cause of global mortality, including in Indonesia. Early health evaluation, utilizing heart rate variability (HRV) through root mean square of successive RR interval differences (RMSSD) and percentage of successive RR intervals that differ by more than 50 𝑚𝑠 (pNN50) measurements, is crucial to reflect responses to relaxation, stress, sleep quality, and physical activity. This evaluation is ideally conducted while an individual is still in a healthy condition. In line with that, this research aims to evaluate the health of patients with a normal sinus rhythm through clustering methods on variables like RMSSD, pNN50, and age, extracted from electrocardiogram recordings from the online Physionet database. Each cluster can provide unique information, enabling the identification of cardiovascular disease risks and appropriate interventions. However, due to unclear data patterns, the presence of outliers, and is low-dimensiona, a comparison is made between Hierarchical clustering and GMM methods, capable of addressing these issues. Given GMM clustering's sensitivity to initializations, this study employs two approaches, random and K-Means. The determination of the best method is based on considerations of evaluation metrics (effectiveness) and computational time (efficiency). Research results indicate that GMM clustering with K-Means initialization is the most effective and efficient method, forming three clusters. Despite ECG assessments indicating healthy conditions, clustering analysis can reveal crucial information, especially for patients identified with relatively low HRV levels."

"Pemantauan banjir dapat dilakukan dengan menggunakan Unmanned Aerial Vehicle (UAV) atau lebih dikenal dengan drone. Hasil pemantauan drone yang berupa video atau gambar kemudian akan dianalisa untuk memperoleh informasi. Salah satu metode yang dapat digunakan untuk melakukan analisa data citra adalah segmentasi semantik. Penelitian segmentasi semantik pada data video tangkapan UAV masih jarang dilakukan karena kurangnya dataset yang tersedia secara publik. Berbagai metode untuk segmentasi semantik antara lain menggunakan metode machine learning seperti Conditional Random Field (CRF) dan deep learning seperti Convolutional Neural Network (CNN). Namun, metode yang digunakan untuk segmentasi semantik masih memberikan hasil yang kurang optimal. Hal ini yang menjadi dasar kenapa penelitian ini dilakukan. Pada penelitian ini akan dilakukan pengembangan metode ENet, salah satu CNN yang berfokus untuk segmentasi semantik. Data yang akan digunakan adalah video banjir yang diambil oleh UAV. Pengembangan yang akan dilakukan akan berfokus pada menerapkan tipe konvolusi berbeda pada metode yang digunakan. Selain keakuratan segmentasi, penelitian ini juga akan berfokus untuk mengembangkan metode ENet yang dapat melakukan segmentasi semantik secara cepat, sehingga dapat diimplementasikan pada video tangkapan UAV. Metode yang diusulkan pada penelitian ini berhasil mendapatkan hasil akurasi hingga 93% dengan jumlah parameter yang lebih sedikit daripada metode pembanding.

---

Flood monitoring can be done using an Unmanned Aerial Vehicle (UAV) or better known as a drone. The results of drone monitoring in the form of videos or images will then be analyzed to obtain information. One method that can be used to analyze image data is semantic segmentation. Semantic segmentation research on UAV capture video data is still rarely conducted due to the lack of publicly available datasets. Various methods for semantic segmentation include using machine learning methods such as Conditional Random Field (CRF) and deep learning such as Convolutional Neural Network (CNN). However, the method used for semantic segmentation still gives less than optimal results. This is the basis for why this research was conducted. In this research, the ENet method will be developed, one of the CNNs that focuses on semantic segmentation. The data to be used is the flood video taken by the UAV. The development that will be carried out will focus on applying different types of convolution to the methods used. In addition to the accuracy of segmentation, this research will also focus on developing the ENet method that can do semantic segmentation quickly, so that it can be implemented on UAV capture videos. The method proposed in this study was successful in obtaining an accuracy of up to 95% with a smaller number of parameters than the comparison method."

"

Data LiDAR banyak menggantikan data dua dimensi untuk merepresentasikan data geografis karena kekayaan informasi yang dimilikinya. Salah satu jenis pemrosesan data LiDAR adalah segmentasi semantik tutupan lahan yang mana telah banyak dikembangkan menggunakan pendekatan model deep learning. Algoritma-algoritma tersebut menggunakan representasi jarak Euclidean untuk menyatakan jarak antar poin atau node. Namun, sifat acak dari data LiDAR kurang sesuai jika representasi jarak Euclidean tersebut diterapkan. Untuk mengatasi ketidaksesuaian tersebut, penelitian ini menerapkan representasi jarak non-Euclidean yang secara adaptif diupdate menggunakan nilai kovarian dari set data point cloud. Ide penelitian ini diaplikasikan pada algoritma Dynamic Graph Convolutional Neural Network (DGCNN). Dataset yang digunakan dalam penelitian ini adalah data LiDAR Kupang. Metode pada penelitian ini menghasilkan performa nilai akurasi 75,55%, di mana nilai akurasi ini lebih baik dari algoritma dasar PointNet dengan 65,08% dan DGCNN asli 72,56%. Peningkatan performa yang disebabkan oleh faktor perkalian dengan invers kovarian dari data point cloud dapat meningkatkan kemiripan suatu poin terhadap kelasnya.

---

LiDAR data widely replaces two-dimensional geographic data representation due to its information resources. One of LiDAR data processing tasks is land cover semantic segmentation which has been developed by deep learning model approaches. These algorithms utilize Euclidean distance representation to express the distance between the points. However, LiDAR data with random properties are not suitable to use this distance representation. To overcome this discprepancy, this study implements a non-Euclidean distance representation which is adaptively updated by applying their covariance values. This research methodology was then implemented in Dynamic Graph Convolutional Neural Network (DGCNN) algorithm. The dataset in this research is Kupang LiDAR. The results obtained performance accuracy value of 75.55%, which is better than the baseline PointNet of 65.08% and Dynamic Graph CNN of 72.56%. This performance improvement is caused by a multiplication of the inverse covariance value of point cloud data, which raised the points similarity to the class.

"